Optimisation système d'une boucle d'apprentissage Resnet-50.

Le but de ce notebook est d'optimiser un code d'apprentissage d'un modèle Resnet-50 sur Imagenet pour Jean Zay en implémentant :
Les cellules dans ce notebook ne sont pas prévues pour être modifiées, sauf rares exceptions indiquées dans les commentaires. Les TP se feront en modifiant le code dlojz.py.
Les directives de modification seront marquées par l'étiquette TODO :, dans le notebook suivant.
Les solutions sont présentes dans le répertoire solutions.
Notebook rédigé par l'équipe assistance IA de l'IDRIS, juin 2023
Un module PyTorch doit avoir été chargé pour le bon fonctionnement de ce Notebook. Nécessairement, le module pytorch-gpu/py3/1.11.0 :
!module list
Currently Loaded Modulefiles: 1) cuda/11.2 5) openmpi/4.1.1-cuda 9) sparsehash/2.0.3 2) nccl/2.9.6-1-cuda 6) intel-mkl/2020.4 10) libjpeg-turbo/2.1.3 3) cudnn/8.1.1.33-cuda 7) magma/2.5.4-cuda 11) pytorch-gpu/py3/1.11.0 4) gcc/8.5.0(8.3.1:8.4.1) 8) sox/14.4.2 >
Les fonctions python de gestion de queue SLURM dévelopées par l'IDRIS et les fonctions dédiées à la formation DLO-JZ sont à importer.
Le module d'environnement pour les jobs et la taille des images sont fixés pour ce notebook.
TODO : choisir un pseudonyme (maximum 5 caractères) pour vous différencier dans la queue SLURM et dans les outils collaboratifs pendant la formation et la compétition.
from idr_pytools import display_slurm_queue, gpu_jobs_submitter, search_log
from dlojz_tools import controle_technique, compare, GPU_underthehood, plot_accuracy, lrfind_plot, imagenet_starter
MODULE = 'pytorch-gpu/py3/1.11.0'
image_size = 176
account = 'for@v100'
name = 'pseudo' ## Pseudonyme à choisir
Creation d'un repertoire checkpoints si cela n'a pas déjà été fait.
!mkdir checkpoints
mkdir: cannot create directory ‘checkpoints’: File exists
Cette partie permet d'afficher et de gérer la queue SLURM.
Pour afficher toute la queue utilisateur :
display_slurm_queue(name)
JOBID PARTITION NAME USER ST TIME NODES NODELIST(REASON)
247975 gpu_p13 pseudo cfor132 R 1:17 1 r6i3n3
Done!
Remarque: Cette fonction utilisée plusieurs fois dans ce notebook permet d'afficher la queue de manière dynamique, rafraichie toutes les 5 secondes. Cependant elle ne s'arrête que lorsque la queue est vide. Si vous désirez reprendre la main sur le notebook, il vous suffira d'arrêter manuellement la cellule avec le bouton stop. Cela a bien sûr aucun impact sur le scheduler SLURM. Les jobs ne seront pas arrêtés.
Si vous voulez arrêter des jobs dans la queue:
!scancel -u $USER#!scancel -u $USER
Cette partie debug permet d'afficher les fichiers de sortie et les fichiers d'erreur du job.
Il est nécessaire dans la cellule suivante (en décommentant) d'indiquer le jobid correspondant sous le format suivant.
*Remarque* : dans ce notebook, lorsque vous soumettrez un job, vous recevrez en retour le numéro du job dans le format suivant : jobid = ['123456']. La cellule ci-dessous peut ainsi être facilement actualisée."
jobid = ['1493206']
Fichier de sortie :
%cat {search_log(contains=jobid[0])[0]}
>>> Training on 1 nodes and 1 processes
model: Resnet-50
number of parameters: 25557032
global batch size: 128 - mini batch size: 128
Optimizer: SGD (
Parameter Group 0
dampening: 0
lr: 0.1
maximize: False
momentum: 0.9
nesterov: False
weight_decay: 0.0
)
DATALOADER 10 True True True 3 False
image batch shape : torch.Size([128, 3, 176, 176])
>>> Training complete in: 0:05:53.561484
>>> Training performance time: min 4.501930236816406 avg 4.766597509384155 seconds (+/- 0.14579007426206964)
>>> Loading performance time: min 0.00013065338134765625 avg 0.00015664100646972656 seconds (+/- 1.434471526857817e-05)
>>> Forward performance time: 1.8760071092722368 seconds (+/- 0.09052225345171229)
>>> Backward performance time: 2.901484557560512 seconds (+/- 0.08457200485922346)
>>> Peak Power during training: 62.22 W)
>>> Validation time estimation: 0:17:49.429900
>>> Sortie trace #####################################
>>>JSON {"GPU process - Forward/Backward": [6.2423787117004395, 5.0220746994018555, 4.957103490829468, 5.0125415325164795, 4.943894863128662, 4.966577529907227, 5.019651651382446, 4.99901819229126, 4.964149236679077, 4.885366678237915, 4.904692649841309, 4.781780242919922, 4.951511859893799, 4.84772253036499, 4.766597509384155, 4.684057712554932, 4.787169456481934, 4.795409679412842, 4.917107105255127, 4.681482791900635, 4.62136173248291, 4.676070213317871, 4.717148303985596, 4.702852964401245, 4.64032506942749, 4.7434868812561035, 4.692547082901001, 4.687806129455566, 4.651872873306274, 4.681207180023193, 4.635786294937134, 4.501930236816406, 4.82633376121521, 4.589520454406738, 4.554682970046997, 4.706907749176025, 4.620109558105469, 4.52482008934021, 4.774549961090088, 4.610376834869385, 4.6381542682647705, 4.710811138153076, 5.109354257583618, 4.724546909332275, 4.806366920471191, 4.937008380889893, 4.881795883178711, 4.729339838027954, 4.814107179641724, 4.803519010543823], "CPU process - Dataloader": [3.979201555252075, 0.0001895427703857422, 0.00014591217041015625, 0.00017380714416503906, 0.00013375282287597656, 0.00013637542724609375, 0.0001621246337890625, 0.0001347064971923828, 0.00015163421630859375, 0.00015854835510253906, 0.00017547607421875, 0.0001685619354248047, 0.00014591217041015625, 0.0001819133758544922, 0.00013637542724609375, 0.0001373291015625, 0.0001327991485595703, 0.00013065338134765625, 0.0001361370086669922, 0.00015592575073242188, 0.0001666545867919922, 0.0001628398895263672, 0.00017642974853515625, 0.00017499923706054688, 0.0001685619354248047, 0.00014543533325195312, 0.00013685226440429688, 0.00013947486877441406, 0.00013518333435058594, 0.00015878677368164062, 0.00015592575073242188, 0.0001609325408935547, 0.0001652240753173828, 0.0001544952392578125, 0.0001742839813232422, 0.00015854835510253906, 0.00015926361083984375, 0.00015854835510253906, 0.0001609325408935547, 0.00016069412231445312, 0.00016307830810546875, 0.00015592575073242188, 0.00015592575073242188, 0.00015783309936523438, 0.00017976760864257812, 0.00015854835510253906, 0.00015735626220703125, 0.00016188621520996094, 0.0001595020294189453, 0.000164031982421875]}
>>> Number of batch per epoch: 10010
Max Memory Allocated 0 Bytes
Tue Feb 21 21:41:18 CET 2023
Fichier d'erreur :
%cat {search_log(contains=jobid[0], with_err=True)['stderr'][0]}
Loading pytorch-gpu/py3/1.11.0
Loading requirement: cuda/11.2 nccl/2.9.6-1-cuda cudnn/8.1.1.33-cuda gcc/8.4.1
openmpi/4.1.1-cuda intel-mkl/2020.4 magma/2.5.4-cuda sox/14.4.2
sparsehash/2.0.3 libjpeg-turbo/2.1.3
+ srun python -u dlojz.py -b 128 --image-size 176 --test
/gpfslocalsup/pub/anaconda-py3/2021.05/envs/pytorch-gpu-1.11.0+py3.9.12/lib/python3.9/site-packages/apex/pyprof/__init__.py:5: FutureWarning: pyprof will be removed by the end of June, 2022
warnings.warn("pyprof will be removed by the end of June, 2022", FutureWarning)
real 6m27.615s
user 0m0.020s
sys 0m0.013s
+ date
Pour le debug ou pour comparer son code avec les solutions mises à disposition, la fonction suivante permet d'afficher une page html contenant un différentiel de fichiers texte.
s1 = "dlojz.py"
s2 = "./solutions/dlojz2_1.py"
compare(s1, s2)
Voir le résultat du différentiel de fichiers sur la page suivante (attention au spoil !) :
On fixe la taille d'image pour ce TP.
image_size = 176
On choisit le batch size optimal d'après les expériences du Jour 1.
## Choisir un batch size optimal
bs_optim = 512 ##TODO
TODO : Comparer votre script dlojz.py avec ce qu'il devrait être actuellement. Si il y a des divergences, veuillez les corriger (par exemple en copiant-collant la solution).
s1 = "dlojz.py"
s2 = "./solutions/dlojz2_0.py"
compare(s1, s2)
Voir le résultat du différentiel de fichiers sur la page suivante :
# copier/coller la solution si nécessaire
#!cp solutions/dlojz2_0.py dlojz.py
TODO : dans le script dlojz.py :
import torch.distributed as dist
from torch.nn.parallel import DistributedDataParallel
# configure distribution method: define rank and initialise communication backend (NCCL)
dist.init_process_group(backend='nccl', init_method='env://',
world_size=idr_torch.size, rank=idr_torch.rank)
# define model
torch.cuda.set_device(idr_torch.local_rank)
gpu = torch.device("cuda")
model = DistributedDataParallel(model, device_ids=[idr_torch.local_rank])
train_loader et val_loader.train_sampler = torch.utils.data.distributed.DistributedSampler(train_dataset,
num_replicas=idr_torch.size,
rank=idr_torch.rank,
shuffle=True)
val_sampler = torch.utils.data.distributed.DistributedSampler(val_dataset,
num_replicas=idr_torch.size,
rank=idr_torch.rank,
shuffle=False)
Dans train_loader et val_loader, ajouter la ligne sampler=train_sampler, (ou sampler=val_sampler,) pour associer le bon sampler et basculer le shuffle= du loader à False pour ne pas avoir de conflit avec le shuffle du sampler.
Au tout début de la boucle d'apprentissage indiquer au sampler l'epoch, afin d'obtenir un shuffle différent à chaque epoch.
#### TRAINING ############
for epoch in range(args.epochs):
train_sampler.set_epoch(epoch)
# Metric mesurement
_, predicted = torch.max(outputs.data, 1)
accuracy = (predicted == labels).sum() / labels.size(0)
dist.all_reduce(accuracy, op=dist.ReduceOp.SUM)
accuracy /= idr_torch.size
if idr_torch.rank == 0: accuracies.append(accuracy.item())
for iv, (val_images, val_labels) in enumerate(val_loader):
...
...
dist.all_reduce(val_loss, op=dist.ReduceOp.SUM)
dist.all_reduce(val_accuracy, op=dist.ReduceOp.SUM)
A noter : la moyenne des métriques distribuées sur les différents GPU se calcule pour la validation différemment du training. Ici la métrique est pondérée par rapport à la taille globale du dataset de validation. Il n'est donc pas nécessaire de diviser par idr_torch.size.
## Be sure all process finish at the same time to avoid incoherent logs at the end of process
dist.barrier()
command = f'dlojz.py -b {bs_optim} --image-size {image_size} --test'
command
'dlojz.py -b 512 --image-size 176 --test'
Soumission du job. Attention vous sollicitez les noeuds de calcul à ce moment-là.
Pour soumettre le job, veuillez basculer la cellule suivante du mode Raw NBConvert au mode Code.
n_gpu = 4
jobid = gpu_jobs_submitter(command, n_gpu, MODULE, name=name,
account=account, time_max='00:10:00', constraint='v100-32g')
print(f'jobid = {jobid}')
batch job 0: 4 GPUs distributed on 1 nodes with 4 tasks / 4 gpus per node and 10 cpus per task Submitted batch job 247976 jobid = ['247976']
Copier-coller la sortie jobid = ['xxxxx'] dans la cellule suivante.
Puis, rebasculer la cellule précédente en mode Raw NBConvert, afin d'eviter de relancer un job par erreur.
#jobid = ['1493733']
display_slurm_queue(name)
JOBID PARTITION NAME USER ST TIME NODES NODELIST(REASON)
247976 gpu_p13 pseudo cfor132 R 1:17 1 r6i7n6
Done!
controle_technique(jobid)
Train throughput: 5643.45 images/second GPU throughput: 5752.83 images/second epoch time: 227.17 seconds training time estimation for 90 epochs (with validations): 6.44 hours ----------- training step time average (fwd/bkwd on GPU): 0.355999 sec (41.7%/69.1%) +/- 0.121359 loading step time average (CPU to GPU): 0.006900 sec +/- 0.027825 ----------- ELIGIBLE to run 37 epochs


Le but de ce TP est de paramétrer l'entraînement pour participer à la course Imagenet Racing.
Les job de chaque participant durant environ 30 minutes, s'exécuteront pendant la nuit. Les résultats seront commentés le lendemain.
from dlojz_tools import plot_accuracy, imagenet_starter, plot_time
TODO : Chercher les bons paramètres, notamment la taille de batch par GPU batch_size et la taille d'image image_size permettant d'avoir un bon équilibre (d'après votre intuition) entre une taille d'image suffisante et un nombre d'epochs suffisant.
Le nombre d'epochs auquel vous avez le droit dépend du Throughput mesuré pendant le test. Il faudra regarder la dernière ligne du test Eligible to run X epochs pour connaître cette mesure.
Afin de mesurer l'impact de la taille de batch sur l'occupation mémoire et sur le throughput, la cellule suivante permet de soumettre plusieurs jobs avec des tailles de batch croissantes. Dans les cas où la mémoire est saturée et dépasse la capacité du GPU, le système renverra une erreur CUDA Out of Memory.
Soumission du job. Attention vous sollicitez les noeuds de calcul à ce moment-là.
Pour soumettre le job, veuillez basculer la cellule suivante du mode Raw NBConvert au mode Code.
## TODO : Définir une taille d'image
image_size = 176
n_gpu = 1
batch_size = [32, 64, 128, 256, 512, 1024, 2048]
command = [f'dlojz.py -b {b} --image-size {image_size} --test'
for b in batch_size]
jobids = gpu_jobs_submitter(command, n_gpu, MODULE, name=name,
account=account, time_max='00:10:00', constraint='v100-32g')
print(f'jobids = {jobids}')
batch job 0: 1 GPUs distributed on 1 nodes with 1 tasks / 1 gpus per node and 10 cpus per task Submitted batch job 247981 Submitted batch job 247982 Submitted batch job 247983 Submitted batch job 247984 Submitted batch job 247985 Submitted batch job 247986 Submitted batch job 247988 jobids = ['247981', '247982', '247983', '247984', '247985', '247986', '247988']
#jobids = ['1493910', '1493914', '1493916', '1493918', '1493920', '1493932', '1493937']
display_slurm_queue(name)
JOBID PARTITION NAME USER ST TIME NODES NODELIST(REASON)
247988 gpu_p13 pseudo cfor132 R 1:27 1 r6i7n6
Done!
GPU_underthehood(jobids)
Batch size per GPU: 32 Max GPU Memory Allocated: 1.79 GB, Troughput: 641.386 images/second Batch size per GPU: 64 Max GPU Memory Allocated: 2.11 GB, Troughput: 1072.609 images/second Batch size per GPU: 128 Max GPU Memory Allocated: 3.78 GB, Troughput: 1415.000 images/second Batch size per GPU: 256 Max GPU Memory Allocated: 7.11 GB, Troughput: 1560.810 images/second Batch size per GPU: 512 Max GPU Memory Allocated: 13.77 GB, Troughput: 1693.423 images/second Batch size per GPU: 1024 Max GPU Memory Allocated: 27.05 GB, Troughput: 1587.346 images/second Batch size per GPU: 2048 CUDA out of memory Memory occupancy by Model part : 0.460 +/- 0.018 GB
## TODO : Choisir un batch size optimal
batch_size = 512
Soumission du job. Attention vous sollicitez les noeuds de calcul à ce moment-là.
Pour soumettre le job, veuillez basculer la cellule suivante du mode Raw NBConvert au mode Code.
command = f'dlojz.py -b {batch_size} --image-size {image_size} --test'
n_gpu = 1
jobid = gpu_jobs_submitter(command, n_gpu, MODULE, name=name,
account=account, time_max='00:10:00', constraint='v100-32g')
print(command)
print(f'jobid = {jobid}')
batch job 0: 1 GPUs distributed on 1 nodes with 1 tasks / 1 gpus per node and 10 cpus per task Submitted batch job 247989 dlojz.py -b 512 --image-size 176 --test jobid = ['247989']
Copier-coller la sortie jobid = ['xxxxx'] dans la cellule suivante.
Nous vous conseillons de garder plusieurs lignes en mémoire afin de pouvoir comparer facilement vos différentes expériences.
#jobid = ['1494033']
display_slurm_queue(name)
JOBID PARTITION NAME USER ST TIME NODES NODELIST(REASON)
247989 gpu_p13 pseudo cfor132 R 0:54 1 r6i3n0
Done!
controle_technique(jobid)
Train throughput: 1683.77 images/second GPU throughput: 1700.69 images/second epoch time: 761.11 seconds training time estimation for 90 epochs (with validations): 21.93 hours ----------- training step time average (fwd/bkwd on GPU): 0.301055 sec (43.0%/64.7%) +/- 0.078708 loading step time average (CPU to GPU): 0.003025 sec +/- 0.018090 ----------- ELIGIBLE to run 41 epochs
TODO : Une fois que vous avez choisi la configuration que vous souhaitez engager pour la course, la fonction suivante permet de générer la bonne commande à soumettre à SLURM avec le bon nombre d'epochs, les bonnes configurations de taille de batch par GPU et de taille d'image, à condition d'avoir fourni le bon jobid.
?imagenet_starter
Signature: imagenet_starter( jobid, lr=None, moment=0.9, weight_decay=0.0005, jour2=False, ) Docstring: <no docstring> File: /gpfsdswork/projects/idris/for/cfor132/dlo-jz/dlojz_tools.py Type: function
#jobid = ['1292862']
command = imagenet_starter(jobid, weight_decay=5e-4)
command
'dlojz.py -b 512 -e 41 --image-size 176 --lr 1.0 --mom 0.9 --wd 0.0005'
Soumission du job. Attention vous sollicitez les noeuds de calcul à ce moment-là.
Pour soumettre le job, veuillez basculer la cellule suivante du mode Raw NBConvert au mode Code.
n_gpu = 32
jobid = gpu_jobs_submitter(command, n_gpu, MODULE, name=name+'_race',
account=account, time_max='01:00:00', constraint='v100-32g', qos='qos_gpu-dev')
print(f'jobid = {jobid}')
batch job 0: 32 GPUs distributed on 8 nodes with 4 tasks / 4 gpus per node and 10 cpus per task Submitted batch job 247990 jobid = ['247990']
Copier-coller la sortie jobid = ['xxxxx'] dans la cellule suivante.
Puis, rebasculer la cellule précédente en mode Raw NBConvert, afin d'eviter de relancer un job par erreur.
#jobid = ['1494173']
jobids = ['1494173', jobid[0]]
plot_accuracy(jobids[:1])
Resnet-50: SGD bs: 16384 is: 176 lr: 1.0 wd: 0.0005 top-1: 0.7212 >>> Training complete in: 0:30:34.607509
plot_time(jobids[:1])
display_slurm_queue(name+'_race')
JOBID PARTITION NAME USER ST TIME NODES NODELIST(REASON)
247990 gpu_p13 pseudo_r cfor132 R 35:03 8 r7i5n[1-8]
Done!
plot_accuracy(jobids)
Resnet-50: SGD bs: 16384 is: 176 lr: 1.0 wd: 0.0005 top-1: 0.7212 >>> Training complete in: 0:30:34.607509 Resnet-50: SGD bs: 16384 is: 176 lr: 1.0 wd: 0.0005 top-1: 0.7212 >>> Training complete in: 0:34:29.989931
plot_time(jobid)
Décommenter la ligne #!wandb sync --sync-all pour publier les résultats sur le dépôt WandB
import os
os.environ['WANDB_API_KEY']='2ecf1cc3a3fe45c17b480e66dd0f390c85763d42'
#!wandb sync --sync-all